Inteligența artificială asistată cuantic îmbunătățește semnificativ predicțiile sistemelor haotice

Sursa foto: Sciencedaily

Un pas înainte în prezicerea haosului: fuziunea dintre calculul cuantic și AI

O echipă de cercetători de la University College London (UCL) a demonstrat că integrarea calculului cuantic în fluxul de instruire al modelelor de inteligență artificială poate îmbunătăți considerabil capacitatea acestora de a prezice comportamentul sistemelor fizice complexe și haotice pe intervale lungi de timp. Metoda hibridă, descrisă într-un articol publicat în Science Advances, depășește performanța modelelor convenționale care rulează exclusiv pe calculatoare clasice, oferind atât o precizie mai mare, cât și o stabilitate sporită a predicțiilor.

De ce contează calculul cuantic

Avantajul major apare din modul diferit în care calculatoarele cuantice tratează informația: în locul biților convenționali, care iau fie valoarea 0, fie 1, computerele cuantice folosesc qubiți care pot exista ca 0, 1 sau în orice stare intermediară (superpoziție) și pot influența starea altor qubiți prin fenomenul de entanglement. Aceste proprietăți permit reprezentarea unui număr enorm de configurații posibile cu un număr relativ mic de qubiți.

Profesorul Peter Coveney, autor principal din cadrul UCL Chemistry și al Advanced Research Computing Centre, subliniază dilema centrală în modelarea fenomenelor complexe: fie rulezi o simulare completă, care poate dura săptămâni și devine inutilă din punct de vedere practic, fie folosești un model AI rapid, dar care își pierde fiabilitatea pe orizonturi temporale extinse. El explică: „Modelul nostru AI informat cuantic ne permite să oferim previziuni mai exacte, rapid. A prezice curgerea fluidelor și turbulența este o provocare fundamentală a științei, dar are și numeroase aplicații practice. Metoda poate fi utilizată în prognoza climatică, în modelarea fluxului sanguin și a interacțiunii moleculelor, sau pentru a proiecta mai eficient parcuri eoliene astfel încât să genereze mai multă energie.”

Cum funcționează metoda hibridă quantum–AI

Abordarea prezentată nu presupune înlocuirea completă a calculatoarelor clasice, ci integrarea calculului cuantic într-un stadiu precis al procesului de instruire. În mod uzual, modelele AI învață din volume mari de date generate fie prin simulări, fie prin observații. În acest studiu, datele sunt mai întâi procesate de un computer cuantic, care identifică proprietăți statistice cheie ce rămân invariante în timp. Aceste tipare statistice, denumite proprietăți statistice invariante, sunt apoi folosite pentru a ghida antrenamentul unui model AI rulat pe un supercalculator convențional.

Prin această separare a rolurilor, calculul cuantic contribuie cu extragerea și compresia informațiilor structurale relevante, în timp ce infrastructura clasică realizează antrenamentul extensiv al rețelelor neurale și rulează predicțiile efective.

Avantaje: acuratețe crescută și memorie redusă

Rezultatele au arătat că sistemul AI informat cuantic a obținut aproximativ 20% mai multă acuratețe în comparație cu modele AI standard care nu folosesc tipare extrase cu ajutorul calculului cuantic. Mai mult, predicțiile s-au menținut stabile pe perioade mai lungi, chiar și în situații ce implică dinamici haotice.

Un alt beneficiu important constă în eficiența memoriei: metoda a necesitat de sute de ori mai puțină memorie decât abordările convenționale, aspect care o face mult mai practică pentru simulări la scară largă. Această compresie considerabilă a datelor și reducere a parametrilor explică în bună parte fezabilitatea aplicațiilor la nivel industrial sau de cercetare care sunt limitate de resursele de stocare și procesare.

Efectele cuantice care stau la baza eficienței

Îmbunătățirea performanței este pusă pe seama a două trăsături definitorii ale calculului cuantic: entanglement-ul și superpoziția. Entanglement-ul permite qubiților să-și influențeze stările reciproc, indiferent de separare, iar superpoziția autorizează un qubit să reprezinte simultan multiple stări până la măsurare. Combinat, acest set de proprietăți permite sistemelor cuantice să proceseze cantități vaste de informație într-o formă extrem de compactă, capturând structuri și corelații subtile din datele care descriu sistemele fizice complexe.

Demonstrarea unui avantaj cuantic practic

Maida Wang, prima autoare din cadrul UCL Centre for Computational Science, afirmă că metoda pare a demonstra un „avantaj cuantic” în mod practic — adică computerul cuantic realizează ceea ce nu ar fi fezabil cu calculul clasic singur. Ea precizează că aceste rezultate ar putea stimula dezvoltarea unor strategii clasice noi, capabile să atingă acuratețe crescută asemănătoare, dar care, cel mai probabil, nu ar reproduce acea compresie remarcabilă a datelor și eficiența parametrilor pe care le oferă abordarea lor. Următorii pași includ extinderea metodei la seturi de date mai mari și aplicarea sa în scenarii reale, care implică o complexitate și mai mare, precum și elaborarea unui cadru teoretic demonstrabil.

Co-autoarea Xiao Xue, din cadrul Advanced Research Computing la UCL, a adăugat că în acest studiu se arată pentru prima dată integrarea semnificativă a calculului cuantic cu metode clasice de învățare automată pentru a aborda sisteme dinamice complexe, inclusiv mecanica fluidelor, și că este încurajator să vadă că această abordare „informată cuantic” se îndreaptă spre utilizare practică.

Capturarea fizicii sistemelor complexe

Cercetătorii sugerează că calculatoarele cuantice sunt deosebit de potrivite pentru a modela astfel de sisteme deoarece pot reprezenta compact fizica subiacentă. Multe sisteme complexe manifestă comportamente în care modificările locale pot influența regiuni îndepărtate ale sistemului, asemănător efectelor cuantice de corelare la distanță. Această analogie face ca reprezentarea și extragerea proprietăților statistice stabile, realizate de un dispozitiv cuantic, să fie foarte eficientă pentru ghidarea antrenării modelelor AI.

Depășirea limitărilor hardware-ului cuantic curent

Calculatoarele cuantice actuale se confruntă cu provocări precum zgomotul, erorile și interferențele, care necesită frecvent un număr mare de măsurători pentru a obține rezultate fiabile. Metoda propusă evită în mare măsură aceste probleme prin coborârea rolului hardware-ului cuantic la un singur pas în cadrul fluxului de lucru, în locul unui schimb repetat de date între sisteme cuantice și clasice. În acest fel, impactul erorilor și al zgomotului rămâne limitat, iar informația esențială extrasă de dispozitivul cuantic poate fi folosită eficient pentru antrenarea ulterioară pe infrastructura clasică.

Detalii experimentale și potențialul viitor

Studiul a folosit un computer cuantic IQM de 20 de qubiți, conectat la resurse puternice de calcul clasic aflate la Leibniz Supercomputing Centre din Germania. Pentru funcționare, computerele cuantice trebuie să opereze la temperaturi extrem de scăzute, în jur de minus 273°C (aproape de zero absolut, mai rece decât orice se găsește în spațiu). Cercetarea a fost finanțată de UCL și de Engineering and Physical Sciences Research Council (EPSRC) din Marea Britanie, cu sprijin adițional din partea IQM Quantum Computers și a Leibniz Supercomputing Centre din München.

Pe măsură ce cercetătorii vor extinde această abordare la volume de date mai mari și la situații din lumea reală, rezultatele ar putea deschide drumul către predicții mai precise și mai eficiente din punct de vedere al memoriei într-o gamă largă de aplicații științifice și inginerești—de la modelarea climei și a curgerilor atmosferice, la simulări biomedicale și optimizarea sistemelor energetice.

Studiul este documentat în lucrarea: Maida Wang, Xiao Xue, Mingyang Gao, Peter V. Coveney. „Quantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantage.” Science Advances, 2026; 12 (16) DOI: 10.1126/sciadv.aec5049. O prezentare a rezultatelor poate fi găsită și pe pagina publicației: Articolul original pe ScienceDaily.